无任务遗漏：知识追踪与选项追踪的多任务学习以实现更优学生评估
计算机与社会
2022-05-02 v1 人工智能
机器学习
摘要
学生评估是人工智能教育(AIEd)领域最基础的任务之一。最常见的学生评估方法之一是知识追踪(KT)，它通过预测学生能否正确回答给定问题来评估学生的知识状态。然而，在选择题（多值）情境下，传统KT方法存在局限，即仅考虑二值（二分）正确性标签（即正确或错误），而忽略学生所选的具体选项。同时，选项追踪(OT)试图通过预测学生对给定问题将选择哪个选项来建模学生，却忽略了正确性信息。本文提出二分-多值多任务学习(DP-MTL)，一种结合KT与OT以实现更精确学生评估的多任务学习框架。特别地，我们表明在DP-MTL框架中KT目标充当OT的正则化项，并提出了一种适用于在现有基于深度学习的KT模型之上应用我们方法的架构。我们通过实验证实，DP-MTL显著提升了KT与OT性能，并且有益于分数预测(SP)等下游任务。
引用
@article{arxiv.2204.14006,
title = {No Task Left Behind: Multi-Task Learning of Knowledge Tracing and Option Tracing for Better Student Assessment},
author = {Suyeong An and Junghoon Kim and Minsam Kim and Juneyoung Park},
journal= {arXiv preprint arXiv:2204.14006},
year = {2022}
}
备注
8 pages, 6 figures, to appear at the 36th AAAI Conference on Artificial Intelligence (AAAI-22)